1、为何要研究针对微网的电能质量检测方法？

　　微网为新能源及可再生能源分布式发电规模化应用提供了有效的技术途径，为满足智能电网对分布式发电的并网运行要求提供了技术保障。但由于分布式电源和非线性波动性负荷的种类复杂多样，特别是风力发电、光伏发电输出功率的波动性、随机性、间歇性特点，常常导致微网内的电源与负荷之间功率难以平衡。另外，逆变器、固态开关等电力电子设备大量使用也导致微网中的电能质量问题更为复杂。因此，开展微网中的电能质量研究具有非常重要的意义。

　　电能质量治理的前提是对电能质量扰动量的准确、快速检测。微网的电能质量问题主要包括：电压与电流谐波、电压暂降、电压突升、电压短时中断、电压波动与闪变、电压与电流不平衡分量等。微网中的谐波与间谐波具有丰富的频谱特性，同时电压波动与闪变信号也是随机的、动态的非平稳信号。对于微网中的电能质量扰动量检测，需要一种既可以分析谐波与间谐波信号，又可以分析非线性、非平稳信号的检测方法。Hilbert-Huang变换（HHT）是一种自适应的时频分析方法，它能根据信号自身的特性对信号进行自适应分解，从而实现电能质量扰动特征的自动提取，在处理非线性、非平稳信号分析方面有很大优势。与傅里叶变换相比，HHT变换可以分析非平稳和非周期性信号；与小波变换相比，HHT变换不仅具有小波变换的优势，同时也不存在基函数的选择问题。因此，本文提出采用改进HHT变换的方法对微网中的电能质量扰动量进行检测。

　　2、如何改进HHT变换来抑制端点效应？

　　HHT变换包括经验模态分解（EMD)和Hilbert变换（HT）。通过EMD，可以把一个非线性、非平稳序列分解为有限个固有模态函数(IMF)和一个趋势项，这个过程称为EMD筛选过程。分解得到的IMF分量必须满足以下2个条件：

　　1）其过零点和极值点的数目必须相等或者最多相差一个；

　　2）连接局部极大值所形成的上包络线和连接局部极小值所形成的下包络线的平均值在任一点处都为零。

　　对每一个IMF分量作HT变换，求取瞬时频率和瞬时振幅，可获知信号蕴含的不同时间尺度的振荡特征。在EMD和HT变换中，两个过程中信号失真的叠加会造成HHT变换的端点部分无法正确反映信号所包含的信息，形成端点效应。为了提高HHT变换在电能质量扰动量检测中的精确性，本文提出自适应波形匹配延拓方法来解决HHT变换中的端点效应问题。

　　自适应波形匹配延拓法的基本思想是：假设在信号内会重复出现类似波形，在信号波形中寻找与边界最匹配的三角波形，再根据匹配波形的局部值来预测信号边界处的局部值，最大限度地维护原始信号的自然变化趋势并实现延拓波形与原始信号的光滑过渡。而对内在规律较弱、边界数据变化异常的信号可以只利用边界处极值点进行预测。当电能质量发生扰动时，一般会持续一定的时间，所以在电能质量信号内部包含端点处的电能质量扰动量信息，这一特点满足自适应波形匹配延拓假设。因此，采用自适应波形匹配延拓的HHT变换更适用于电能质量扰动检测。

　　3、如何应用改进HHT变换来检测微网电能质量？

　　应用基于人工神经网络与镜像延拓的改进HHT方法和基于改进自适应波形匹配延拓的改进HHT方法分别分别对电压暂降、整数次谐波、间谐波、和电压波动与闪变进行检测，检测结果分别如图1-4所示。

　　从图1中可以看出，电压暂降发生的起止时间分别为0.15s和0.35s，电压暂降发生时，电压扰动幅值为0.3，并且两种方法都可以改善端点效应。基于人工神经网络和镜像延拓的改进HHT方法的幅值误差率、频率误差率和耗时分别为2.21%，2.02%和0.1037s。基于自适应波形匹配延拓的改进HHT方法的幅值误差率、频率误差率和耗时分别为1.23%，0.71%和0.0450s。可以得到于自适应波形匹配延拓的改进HHT与于自适应波形匹配延拓的改进HHT相比较，幅值精度提高、频率精度提高和耗时的减少分别为0.98%，1.31%和0.0587s。可见，改进HHT变换能够更加精确地检测微网中的电压暂降的检测。

从图2中可以看出2种方法都可以改善端点效应。基于人工神经网络和镜像延拓的改进HHT方法的幅值误差率和频率误差率分别为1.22%(5th)，0.95%(7th)和0.21%(5th)，0.14%(7th)，耗时0.0986s。基于自适应波形匹配延拓的改进HHT方法的幅值误差率和频率误差率分别为0.33%(5th)，0.11%(7th)和0.04%(5th)，0.03%(7th)，耗时0.0413s。可以得到于自适应波形匹配延拓的改进HHT与于自适应波形匹配延拓的改进HHT相比较，幅值精度提高和频率精度提高分别为0.89%(5th)，0.84%(7th)和0.17%(5th)，0.11%(7th)，耗时的减少为0.0573s。可见，改进HHT方法能够能精确地检测出微网中的整数次谐波。